SceneScript tratează reconstrucția 3D ca pe o problemă de limbaj, mai degrabă decât una de geometrie. Modelul se uită la un videoclip al unei camere și învață să scrie un scenariu pentru ea. Scuipă automat comenzi text precum make_wall(...) sau make_bbox(...) care definesc scena. Noua lucrare "Scene Language" de la Stanford face un pas mai departe, adăugând încorporari CLIP pentru a surprinde și aspectul vizual. Faptul că modelele de limbaj înțeleg deja relațiile spațiale suficient de bine pentru a scrie grafice de scenă este destul de sălbatic.